TWI820815B - 平坦度缺陷特徵檢測方法 - Google Patents
平坦度缺陷特徵檢測方法 Download PDFInfo
- Publication number
- TWI820815B TWI820815B TW111127641A TW111127641A TWI820815B TW I820815 B TWI820815 B TW I820815B TW 111127641 A TW111127641 A TW 111127641A TW 111127641 A TW111127641 A TW 111127641A TW I820815 B TWI820815 B TW I820815B
- Authority
- TW
- Taiwan
- Prior art keywords
- parameter data
- thickness
- detection method
- defect feature
- data
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 17
- 235000012431 wafers Nutrition 0.000 description 16
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
一種平坦度缺陷特徵檢測方法，包含以下步驟：由量測電路量測晶圓以取得晶圓的多個參數數據，其中多個參數數據包含多個XY座標數據和多個厚度數據；由處理器依據多個XY座標數據以及多個厚度數據產生多個厚度特徵；由處理器依據多個XY座標數據以及多個厚度特徵產生晶圓的校正後3D座標圖；以及由處理器將校正後3D座標圖輸入至深度學習模型以判定晶圓是否包含平坦度缺陷特徵。
Description
本揭示中所述實施例內容是有關於一種平坦度缺陷特徵檢測方法，特別關於一種運用深度學習的平坦度缺陷特徵檢測方法。
傳統上，於檢測晶圓的平坦度缺陷特徵時，多以人工方式進行辨識。然而，其判斷標準會因人員之精神狀態、情緒、平坦度穩定性狀況等而有判斷落差，且不同人員的判斷結果亦有落差度。
本揭示之一些實施方式是關於一種平坦度缺陷特徵檢測方法，包含以下步驟：由量測電路量測晶圓以取得晶圓的多個參數數據，其中多個參數數據包含多個XY座標數據和多個厚度數據；由處理器依據多個XY座標數據以及多個厚度數據產生多個厚度特徵；由處理器依據多個XY座標數據以及多個厚度特徵產生晶圓的校正後3D座標圖；以及由處理器將校正後3D座標圖輸入至深度學習模型以判定晶圓是否包含平坦度缺陷特徵。
在本文中所使用的用詞『耦接』亦可指『電性耦接』，且用詞『連接』亦可指『電性連接』。『耦接』及『連接』亦可指二個或多個元件相互配合或相互互動。
參考第1圖。第1圖是依照本揭示一些實施例所繪示的平坦度缺陷特徵檢測裝置100的示意圖。
以第1圖示例而言，平坦度缺陷特徵檢測裝置100包含量測電路110、處理器130、以及記憶體150。於連接關係上，量測電路110耦接於處理器130，處理器130耦接於記憶體150。於部分實施例中，量測電路110並耦接於記憶體150。
如第1圖所示的平坦度缺陷特徵檢測裝置100僅為例示說明之用，本案的實施方式不以此為限制。舉例而言，於其他一些實施例中，處理器130係位於雲端伺服器。於其他一些實施例中，記憶體150係位於雲端伺服器。平坦度缺陷特徵檢測裝置100的各種配置皆在本揭示的範圍中。
關於平坦度缺陷特徵檢測裝置100的詳細操作方式，將於以下配合第2圖一併進行說明。
第2圖是依照本揭示一些實施例所繪示的平坦度缺陷特徵檢測方法200的流程圖。平坦度缺陷特徵檢測方法200可應用於如第1圖的平坦度缺陷特徵檢測裝置100。以下請一併參考第1圖至第2圖。
在步驟S210中，量測晶圓以取得多個參數數據。於部分實施例中，步驟S210係由如第1圖所繪示的量測電路110執行。
於部分實施例中，量測電路110解析晶圓上的參數數據，以資料庫(DB)或者文字檔的形式儲存參數數據於記憶體150中。於部分實施例中，參數數據包含XY座標數據以及厚度數據。
於部分實施例中，量測電路110透過機台的通訊協定(SECS/GEM)或可程式化邏輯控制器(PLC)以取得晶圓的參數數據。
請一併參閱第3圖和第4圖。第3圖是依照本揭示一些實施例所繪示的3D座標圖300的示意圖。第4圖是依照本揭示一些實施例所繪示的另一3D座標圖400的示意圖。
第4圖中繪示了三筆參數數據P1、P2和P3以作為例示說明之用。參數數據P1(X1,Y1,Z1)、參數數據P2(X2,Y2,Z2)以及參數數據P3(X3,Y3,Z3)中的X值係為參數數據於X軸上的座標位置，Y值係為參數數據於Y軸上的座標位置，Z值為參數數據的厚度數據。
於部分實施例中，於呈現3D座標圖時，厚度數據係以色階呈現。於部分實施例中，不同的Z值係以不同的顏色呈現。
在步驟S230中，依據多個參數數據中的多個XY座標數據以及多個厚度數據產生多個厚度特徵。於部分實施例中，步驟S230係由如第1圖所繪示的處理器130所執行。
於部分實施例中，處理器130更用以對多個XY座標數據以及多個厚度數據進行微分運算以產生厚度特徵。
於部分實施例中，厚度特徵包含橫向厚度特徵以及縱向厚度特徵。
請一併參閱第4圖和第5圖。第5圖是依照本揭示一些實施例所繪示的部分的3D座標圖的示意圖。
於部分實施例中，處理器130更用以計算參數數據之間的Z值落差以作為厚度特徵。
於部分實施例中，橫向厚度特徵以及縱向厚度特徵係依據以下公式計算而得：
(公式1)。
(公式2)。
請一併參閱第4圖和第5圖。參數數據P1的半徑係為r1而
角係為
。參數數據P2的半徑係為r1而
角係為
。參數數據P3的半徑係為r2而
角係為
。上述公式1中計算而得的Z1’軸向即為參數數據P1的縱向厚度特徵，而公式2中計算而得的Z1’橫向即為參數數據P1的橫向厚度特徵。
於部分實施例中，參數數據P1和參數數據P2係為半徑相同但
角不同的參數數據，而參數數據P1和P3係為半徑不同的
角相同的參數數據。也就是說，在計算縱向厚度特徵，處理器130由外向內取得相同
角不同半徑的參數數據中最接近的兩者以計算縱向厚度特徵。而在計算橫向厚度特徵時，處理器130取得相同半徑不同
角的參數數據中最接近的兩者以計算橫向厚度特徵。
於部分實施例中，計算出厚度特徵後，處理器130取得校正後的參數數據包含校正後參數數據P1(X1,Y1,Z1’)、校正後參數數據P2(X2,Y2,Z2’)以及校正後參數數據P3(X3,Y3,Z3’)。上述Z’即為厚度特徵。
於部分實施例中，處理器130以橫向厚度特徵作為校正後參數數據中的Z值。於部分實施例中，處理器130以縱向厚度特徵作為校正後參數數據中的Z值。於部分實施例中，處理器130以縱向厚度特徵和橫向厚度特徵相加除以2以作為校正後參數數據中的Z值。
請回頭參閱第2圖。在步驟S250中，依據多個XY座標數據以及多個厚度特徵產生晶圓的校正後3D座標圖。於部分實施例中，步驟S250係由如第1圖所繪示的處理器130所執行。於部分實施例中，處理器130依據橫向厚度特徵以及縱向厚度特徵中的至少一者以產生晶圓的校正後3D座標圖。
請一併參閱第6圖。第6圖是依照本揭示一些實施例所繪示的校正後的3D座標圖600的示意圖。如第6圖所繪示的校正後的3D座標圖600即為依據校正後參數數據所繪示而成。於部分實施例中，代表厚度特徵的Z值係以色階呈現。
請回頭參閱第2圖。在步驟S270中，將校正後3D座標圖輸入至深度學習模型以判定晶圓是否包含平坦度缺陷特徵。於部分實施例中，步驟S250係由如第1圖所繪示的處理器130所執行。於部分實施例中，處理器130將校正後3D座標圖輸入至深度學習模型以判定晶圓的缺陷特徵類型。
請一併參閱第6圖。如第6圖所繪示處理器130將校正後3D座標圖輸入至深度學習模型後，判定晶圓包含平坦度缺陷特徵D。
於部分實施例中，舉例而言，處理器130將校正後3D座標圖再轉化成Python語法後，使用DEEP LEARNING YOLO/RESNET/INCEPTION MODULE等演算法或演算模型以進行特徵擷取。透過深度學習模型進行分析，以將晶圓的缺陷特徵進行分類。於部分實施例中，晶圓的缺陷特徵類型包含粗糙(Rough)、不均勻(Uneven)、多種類(Multiple)等類型。
綜上所述，本揭示提供一種平坦度缺陷特徵檢測方法，透過提取晶圓的參數數據後進行校正計算出厚度特徵及座標位置，繪製成圖形後以深度學習模型進行判斷，相較於傳統的人工方式進行辨識具有較高的準確度。
各種功能性元件已於此公開。對於本技術領域具通常知識者而言，功能性元件可由電路(不論是專用電路，或是於一或多個處理器及編碼指令控制下操作的通用電路)實現。
雖然本揭示已以實施方式揭露如上，然其並非用以限定本揭示，任何本領域具通常知識者，在不脫離本揭示之精神和範圍內，當可作各種之更動與潤飾，因此本揭示之保護範圍當視後附之申請專利範圍所界定者為準。
100:平坦度缺陷特徵檢測裝置
110:量測電路
130:處理器
150:記憶體
200:平坦度缺陷特徵檢測方法
S210,S230,S250,S270:步驟
300:3D座標圖
X,Y,Z:方向
P1,P2,P3:參數數據
X1,X2,X3:X值
Y1,Y2,Y3:Y值
Z1,Z2,Z3:厚度數據
400:3D座標圖
r1,r2:半徑
1,
2:
角
600:3D座標圖
D:平坦度缺陷特徵
為讓本揭示之上述和其他目的、特徵、優點與實施例能夠更明顯易懂，所附圖式之說明如下：
第1圖是依照本揭示一些實施例所繪示的平坦度缺陷特徵檢測裝置的示意圖；
第2圖是依照本揭示一些實施例所繪示的平坦度缺陷特徵檢測方法的流程圖；
第3圖是依照本揭示一些實施例所繪示的3D座標圖的示意圖；
第4圖是依照本揭示一些實施例所繪示的3D座標圖的示意圖；
第5圖是依照本揭示一些實施例所繪示的部分的3D座標圖的示意圖；以及
第6圖是依照本揭示一些實施例所繪示的校正後的3D座標圖的示意圖。
200:平坦度缺陷特徵檢測方法
S210,S230,S250,S270:步驟
Claims (7)
- 一種平坦度缺陷特徵檢測方法，包含：由一量測電路量測一晶圓以取得該晶圓的複數個參數數據，其中該些參數數據包含複數個XY座標數據和複數個厚度數據；由一處理器依據該些XY座標數據以及該些厚度數據進行微分運算以產生複數個厚度特徵，其中該些厚度特徵包含一橫向厚度特徵以及一縱向厚度特徵；由該處理器依據該些XY座標數據以及該些厚度特徵產生該晶圓的一校正後3D座標圖，包含：依據該橫向厚度特徵以及該縱向厚度特徵中的至少一者作為一校正後參數數據中的一Z值，以依據該校正後參數數據中的該Z值產生該晶圓的該校正後3D座標圖；以及由該處理器將該校正後3D座標圖輸入至一深度學習模型以判定該晶圓是否包含一平坦度缺陷特徵。
- 如請求項1所述的平坦度缺陷特徵檢測方法，其中該些參數數據包含一第一參數數據(X1,Y1,Z1)以及一第二參數數據(X2,Y2,Z2)，其中該平坦度缺陷特徵檢測方法更包含：計算該第一參數數據以及該第二參數數據之間的一Z值落差以取得該些厚度特徵。
- 如請求項2所述的平坦度缺陷特徵檢測方法，其中當該第一參數數據與該第二參數數據的半徑相同而角度不同時，該平坦度缺陷特徵檢測方法更包含：依據以下公式計算該橫向厚度特徵，其中Z1'係指該橫向厚度特徵：
- 如請求項2所述的平坦度缺陷特徵檢測方法，其中當該第一參數數據與該第二參數數據的半徑不同而角度相同時，該平坦度缺陷特徵檢測方法更包含：依據以下公式計算該縱向厚度特徵，其中Z1'係指該縱向厚度特徵：
- 如請求項1所述的平坦度缺陷特徵檢測方法，更包含：由該處理器將該校正後3D座標圖輸入至該深度學習模型以判定該晶圓的一缺陷特徵類型。
- 如請求項5所述的平坦度缺陷特徵檢測方法，其中該缺陷特徵類型包含粗糙、不均勻以及多種類中的一者。
- 如請求項5所述的平坦度缺陷特徵檢測方法，其中該深度學習模型包含DEEP LEARNING YOLO/RESNET/INCEPTION MODULE演算模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111127641A TWI820815B (zh) | 2022-07-22 | 2022-07-22 | 平坦度缺陷特徵檢測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111127641A TWI820815B (zh) | 2022-07-22 | 2022-07-22 | 平坦度缺陷特徵檢測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI820815B true TWI820815B (zh) | 2023-11-01 |
| TW202405366A TW202405366A (zh) | 2024-02-01 |
Family
ID=89722249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111127641A TWI820815B (zh) | 2022-07-22 | 2022-07-22 | 平坦度缺陷特徵檢測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI820815B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201819896A (zh) * | 2016-10-07 | 2018-06-01 | 美商克萊譚克公司 | 用於半導體晶圓檢查之三維成像 |
| TW202225677A (zh) * | 2020-08-07 | 2022-07-01 | 美商科磊股份有限公司 | 使用深度學習之3d結構檢測或計量 |
-
2022
- 2022-07-22 TW TW111127641A patent/TWI820815B/zh active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201819896A (zh) * | 2016-10-07 | 2018-06-01 | 美商克萊譚克公司 | 用於半導體晶圓檢查之三維成像 |
| TW202225677A (zh) * | 2020-08-07 | 2022-07-01 | 美商科磊股份有限公司 | 使用深度學習之3d結構檢測或計量 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202405366A (zh) | 2024-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
| US20080189081A1 (en) | System and method for analyzing geometric deviations of a physical object | |
| US10186028B2 (en) | Defect signal to noise enhancement by reducing die to die process noise | |
| TW202217664A (zh) | 基於機器學習之圖案分組方法 | |
| US11120545B2 (en) | Method for measuring hole provided in workpiece | |
| KR20060127323A (ko) | 허용 오차 영역을 이용한 3차원 측정 데이터의 검출 방법 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN113177934A (zh) | 一种基于深度学习的引线框架缺陷定位及等级判定方法 | |
| CN105300280B (zh) | 连接器尺寸视觉测量方法 | |
| TWI820815B (zh) | 平坦度缺陷特徵檢測方法 | |
| JP4704897B2 (ja) | パラメトリック公差を用いる３次元測定データ検査方法 | |
| CN108416790B (zh) | 一种用于工件破损率的检测方法 | |
| US10180317B2 (en) | Pattern-measuring device and computer program | |
| JP2017033374A (ja) | データ照合装置、設計データ修正装置、形状測定装置、データ照合方法、およびプログラム | |
| WO2000028309A1 (en) | Method for inspecting inferiority in shape | |
| CN103926256A (zh) | 一种cmp划痕自动检测系统 | |
| US7895008B2 (en) | Method of performing measurement sampling of lots in a manufacturing process | |
| JP2013012184A (ja) | 標本データ用のロバストなピークファインダー | |
| CN106326192A (zh) | 晶圆制造铸锭品质评估方法 | |
| JP2006343312A (ja) | ３次元測定データの分析結果再計算システム及び方法 | |
| TWI801973B (zh) | 錯誤因素之推定裝置及推定方法 | |
| US6484063B1 (en) | System and method of inspecting tooling for feasibility | |
| CN108168459A (zh) | 一种汽车轮毂识别匹配方法 | |
| TW201600981A (zh) | 監控根據複數個製程配方運作之製程狀態的方法暨其系統 | |
| CN114608405A (zh) | 一种汽车零件轮廓及孔位置的集成检测方法 |